在線性回歸算法中市栗，,
的值域是（-
,+
）,有沒有一種辦法，修改一下這個算法织阳，讓其能夠?qū)崿F(xiàn)分類的預測問題呢眶蕉？
- Sigmoid函數(shù)，將
的值域由（-
,+
- 決策邊界唧躲。假設決策邊界的值為0.5造挽，當Sigmoid（
）>0.5,則預測值輸出1碱璃；當Sigmoid（
- 與求線性回歸損失函數(shù)時的方法一樣饭入，先引入似然函數(shù)嵌器，然后取對數(shù)，得出邏輯回歸的損失函數(shù)谐丢。
- 使用梯度下降求
嘴秸。
2.1 Sigmoid函數(shù)
Sigmoid函數(shù)即可以把范圍在（-,+）的值變換到（0,1）。
2.2 邏輯回歸的假設函數(shù)：
P() = 0.8,則表示對于這組x值庇谆，預測值y等于1的概率為0.8。
取1和取0的概率函數(shù)：
合并：
g
2.3 損失函數(shù)
求損失函數(shù)的過程是對上式凭疮，先構建似然函數(shù)饭耳，再取對數(shù)。
似然函數(shù)為：
對數(shù)似然函數(shù)為：
2.4 梯度下降
為了便于使用梯度下降法执解，在函數(shù)前乘以.
求解更新過程：
因此寞肖，的更新過程：
2.5 多元分類
邏輯回歸模型除了可以用來解決二元分類問題，還可以用來解決多元分類問題衰腌。
針對多元分類問題新蟆， ,總共有 n + 1 個類別。其解決思路是右蕊，首先把問題轉換成二元分類問題琼稻，即 y = 0 是一個類別，把
作為另一個類別饶囚，然后計算這兩個類別的概率帕翻；接著，把y = 1 作為一個類別萝风，然后把
作為另一個類別嘀掸，再計算這兩個類別的概率。由此推廣開规惰，總共需要 n +1 個預測函數(shù)睬塌。在這 n +1 個預測函數(shù)預測出來的概率中，取最大的那個歇万，即為預測的類別揩晴。
2.6 sklearn調(diào)用及參數(shù)解釋
機器學習sklearn19.0——Logistic回歸算法
sklearn邏輯回歸(Logistic Regression,LR)類庫使用小結
官方文檔
文章參考：
機器學習之邏輯回歸
